第三章：宏观交通流模型——LWR模型与CTM模型的原理及数值求解

各位同学，今天我们来聊聊宏观交通流模型。说实话，我刚入行那会儿，觉得微观模型才够酷——每辆车都能看到，多直观啊。但后来做城市级路网仿真时，几十万辆车同时跑，微观模型直接卡死。嗯，这时候宏观模型就派上用场了。

宏观模型不关心单个司机怎么开车，它把车流当成一种连续介质——就像水流一样。你想想看，我们不需要知道每个水分子怎么运动，只需要知道流量、密度、速度这三个宏观量就够了。交通流也一样。

3.1 LWR模型：宏观交通流的基石

LWR模型，全称是Lighthill-Whitham-Richards模型，1955年提出。别看它老，到现在还是很多仿真软件的内核。

它的核心就一个方程——守恒方程：

∂ρ/∂t + ∂q/∂x = 0

其中ρ是密度（veh/km），q是流量（veh/h）。这个方程说白了就是：某段路上车流量的变化，等于流入减去流出。天经地义，对吧？

但光有守恒方程不够，还需要一个关系把q和ρ联系起来。这就是基本图（Fundamental Diagram）：

q = ρ · v(ρ)

速度v是密度ρ的函数。最常见的假设是线性关系：

v(ρ) = v_max · (1 - ρ/ρ_max)

代入后得到：

q(ρ) = v_max · ρ · (1 - ρ/ρ_max)

这就是个抛物线。密度为0时流量为0，密度达到最大时流量也为0，中间某个密度处流量最大。

关键点：LWR模型本质上是一个一阶双曲型偏微分方程。它的解会出现激波（shock wave）和稀疏波（rarefaction wave），这正好对应交通中的排队形成和消散。

我在项目中遇到过一个问题：用LWR模型模拟高速公路事故，结果激波传播速度算出来跟实际观测差了不少。后来发现是基本图参数没标定好——最大密度和自由流速度必须用当地数据，不能照搬文献值。

3.2 数值求解方法：有限差分法

LWR模型是偏微分方程，解析解只有极少数简单情况能求出来。实际应用中必须用数值方法。我个人习惯用有限差分法，简单说就是把连续的时间和空间离散化。

设空间步长Δx，时间步长Δt。用上标n表示时间步，下标i表示空间位置：

ρ_i^(n+1) = ρ_i^n - (Δt/Δx) · (q_i^n - q_{i-1}^n)

这就是最基础的迎风格式（upwind scheme）。为什么叫迎风？因为交通波传播方向跟车流方向一致，所以我们从上游取流量信息。

注意稳定性条件（CFL条件）：

Δt ≤ Δx / v_max

这个条件必须满足，否则数值解会发散。我曾经有一次忘了检查这个，结果仿真出来的密度变成了负值——车流倒着开，闹笑话了。

下面给一个简单的Python实现：

import numpy as np

def lwr_simulation(rho_initial, v_max, rho_max, dx, dt, T):
    """
    一维LWR模型迎风格式求解
    rho_initial: 初始密度分布
    """
    nx = len(rho_initial)
    nt = int(T / dt)
    rho = rho_initial.copy()
    
    for n in range(nt):
        # 计算流量
        q = v_max * rho * (1 - rho / rho_max)
        # 迎风格式更新
        rho[1:] = rho[1:] - (dt/dx) * (q[1:] - q[:-1])
        # 边界条件：上游流入固定
        rho[0] = rho_initial[0]
    
    return rho

这段代码虽然简单，但已经能模拟出交通拥堵的形成和消散过程了。我建议你试试不同的初始条件，看看激波是怎么传播的。

3.3 CTM模型：从连续到离散

LWR模型虽然漂亮，但数值求解时有个问题：激波处需要精细的网格才能准确捕捉。CTM（Cell Transmission Model）模型就是为解决这个问题而生的。

CTM是Daganzo在1994年提出的。它的思路很巧妙：把道路分成一个个单元格（cell），每个单元格内的密度假设是均匀的。然后定义两个关键函数：

发送函数 S(ρ)：当前单元格能向下游发送的最大流量
接收函数 R(ρ)：下游单元格能接收的最大流量

实际传输的流量就是这两者的最小值：

q = min(S(ρ_i), R(ρ_{i+1}))

这个min操作，就是CTM的精髓。它天然地处理了激波——当上游想发很多车，但下游已经堵死了，流量就被R函数限制住。

个人经验：CTM的发送和接收函数通常用三角形基本图来定义。三角形基本图有三个参数：自由流速度v、拥堵波速w、最大流量q_max。这三个参数标定好了，模型精度相当不错。

CTM的更新公式也很直观：

ρ_i^(n+1) = ρ_i^n + (Δt/Δx) · (q_{i-1→i} - q_{i→i+1})

其中q_{i-1→i}是从上游单元格流入的流量，q_{i→i+1}是流出到下游的流量。

3.4 LWR vs CTM：怎么选？

我经常被问到这个问题。直接说结论：

场景	推荐模型	原因
高速公路基本段	LWR	连续性好，计算快
城市路网（有信号灯）	CTM	天然处理间断点
需要精确激波位置	CTM	数值耗散小
大规模路网仿真	CTM	计算效率高

说白了，LWR适合理论研究，CTM适合工程应用。我自己的项目里，90%的情况都用CTM——它更鲁棒，不容易出数值问题。

3.5 避坑指南

最后分享几个我踩过的坑：

边界条件处理：LWR和CTM都需要上下游边界条件。我曾经用零梯度边界条件，结果仿真时间长了以后，边界处出现虚假的拥堵波。后来改用固定流量边界才解决。
参数标定：基本图的参数不是随便设的。我建议用实测数据做最小二乘拟合。如果没数据，至少用当地交通手册的推荐值。
时间步长选择：CTM虽然比LWR稳定，但Δt也不能太大。我一般取Δt = 0.8 · Δx / v_max，留点安全余量。

一句话总结：LWR模型是宏观交通流的理论基础，CTM模型是工程实现的最佳选择。两者本质上是同一套思想——守恒定律 + 基本图关系。理解了这一点，你就能灵活运用它们解决实际问题。

好了，这一章的内容就到这里。宏观模型虽然看起来数学公式多，但核心思想其实很简单——把车流当成流体，用守恒定律描述它的运动。你只要掌握了这个思路，LWR和CTM都不难理解。

可可精品资料库

📚 课程目录

第三章：宏观交通流模型——LWR模型与CTM模型的原理及数值求解

3.1 LWR模型：宏观交通流的基石

3.2 数值求解方法：有限差分法

3.3 CTM模型：从连续到离散

3.4 LWR vs CTM：怎么选？

3.5 避坑指南